Índice
1. Visión General
El Dashboard Forex EWMA de VentajaQuant es una plataforma de análisis cuantitativo que combina un modelo de tipo de cambio basado en z-scores con herramientas de gestión de riesgo para operaciones de comercio exterior. La plataforma cubre 5 pares de divisas: EUR/USD, GBP/USD, USD/JPY, USD/MXN y USD/CHF.
El sistema se estructura en cuatro capas:
| Capa | Descripción |
|---|---|
| 1 — Modelo Z-Score TC v2 | Estima el tipo de cambio teórico (TC*) a partir de 9 features normalizados, ponderados por vol inversa, con λ adaptativa. |
| 2 — Volatilidad | Yang-Zhang (3 horizontes), HAR walk-forward OOS, Vol Term Structure y clasificación de régimen. |
| 3 — Bandas Analíticas | Fórmulas cerradas log-normales centradas en Forward CIP (FRED), con ajuste Cornish-Fisher por colas pesadas. |
| 4 — Cobertura CFaR | Ratio óptimo h* analítico para mantener el flujo de caja dentro de tolerancia. Escenarios, MtM, break-even y análisis narrativo. |
2. Modelo Z-Score TC v2
2.1 Los 9 Features
El modelo utiliza 9 variables normalizadas como z-scores. Cada variable se transforma usando media y desviación estándar EWMA adaptativos, controlados por λ(t).
| Categoría | Feature | Descripción |
|---|---|---|
| Precio | Spot (T-1) | Precio de cierre del día anterior |
| Tendencia | SMA 20 | Media móvil simple 20 días — corto plazo |
| Tendencia | SMA 50 | Media móvil simple 50 días — medio plazo |
| Tendencia | SMA 200 | Media móvil simple 200 días — tendencia secular |
| Volatilidad | YZ Vol 20d | Volatilidad Yang-Zhang 20 días |
| Volatilidad | YZ Vol 60d | Volatilidad Yang-Zhang 60 días |
| Volatilidad | YZ Vol 126d | Volatilidad Yang-Zhang 126 días (semestral) |
| Momentum | ROC 20d | Log Rate of Change: ln(close / close-20) |
| Estructura | Vol T.S. | Vol Term Structure: ratio YZ20 / YZ126 |
2.2 Normalización Z-Score EWMA
Cada feature se normaliza usando media y desviación estándar EWMA adaptativos:
σ²ewma,i(t) = λ(t) · (Xi(t-1) - μewma,i(t))² + (1 - λ(t)) · σ²ewma,i(t-1)
zi(t) = (Xi(t-1) - μewma,i(t)) / σewma,i(t)
2.3 Ponderación por Inversa de Volatilidad
wi = [1/σ(Δzi)] / Σj [1/σ(Δzj)]
Features más estables (SMAs largo plazo) reciben mayor peso. Features ruidosos (momentum, vol corto plazo) reciben menor peso.
2.4 Signal Agregado y TC Estimado
TC* = μewma(spot) + Signal · σewma(spot)
2.5 Lambda (λ) Adaptativo
Un único parámetro λ(t) adaptativo gobierna la reactividad del modelo completo:
3. Volatilidad Yang-Zhang
El estimador Yang-Zhang (2000) combina tres componentes para la estimación más eficiente de volatilidad basada en datos OHLC:
| Componente | Descripción |
|---|---|
| σ²O (overnight) | Varianza de log-returns overnight (close-to-open) |
| σ²OC (open-to-close) | Varianza de log-returns intradiarios |
| σ²RS (Rogers-Satchell) | Estimador basado en rango OHLC completo, robusto ante drift |
Se calcula a tres horizontes (20d, 60d, 126d), anualizando con factor √252.
4. Modelo HAR-YZ Walk-Forward OOS
El modelo HAR (Corsi, 2009) captura la memoria larga de la volatilidad utilizando tres escalas temporales:
4.1 Validación Walk-Forward
- Ventana de entrenamiento: 504 días hábiles (rolling, ~2 años)
- Step size: 21 días (reoptimización mensual)
- Predicción: cada ventana genera 21 predicciones OOS antes de reentrenar
4.2 Métricas de Calidad
| Métrica | Descripción |
|---|---|
| R² OOS | Coeficiente de determinación sobre predicciones genuinamente fuera de muestra |
| Direction Accuracy | % de predicciones correctas sobre la dirección de volatilidad (sube/baja) |
| Tendencia σ | Dirección del cambio: forecast vs realizada → expansión o contracción de vol |
4.3 Vol Surprise
| Vol Surprise | Interpretación | Implicación |
|---|---|---|
| > +10% | Infraestimación significativa | Ampliar coberturas |
| +3% a +10% | Infraestimación leve | Monitorear |
| ±3% | Modelo bien calibrado | Alta confianza |
| -3% a -10% | Sobreestimación leve | Coberturas sobredimensionadas |
| < -10% | Sobreestimación significativa | Oportunidad de reducir costes |
5. Clasificación de Régimen de Volatilidad
El sistema clasifica el régimen utilizando el forecast del modelo HAR-YZ. Los umbrales son percentiles rolling P20/P80 sobre la serie de forecasts OOS del último año (252 días):
| Régimen | Condición | Interpretación |
|---|---|---|
| Stress | σ̂HAR > P80 (252d) | Volatilidad proyectada anormalmente alta |
| Normal | P20 ≤ σ̂HAR ≤ P80 | Forecast dentro del rango histórico típico |
| Complacent | σ̂HAR < P20 (252d) | Forecast anormalmente bajo. Riesgo de subestimación |
6. Forward CIP y Bandas Analíticas
6.1 Forward por Paridad Cubierta (CIP)
El centro de la distribución es el forward teórico derivado de tasas interbancarias de FRED:
6.2 Distribución Log-Normal con Ajuste Cornish-Fisher
Los percentiles se ajustan por exceso de curtosis:
Percentilα = F(H) × exp(z*α × σH)
6.3 Métricas de Riesgo
| Métrica | Definición |
|---|---|
| VaR 95% | Pérdida máxima no superada en el 95% de escenarios. Percentil 5 con ajuste CF. |
| VaR 99% | Pérdida en el 99% de escenarios. Captura eventos más extremos. |
| CVaR 95% | Expected Shortfall: precio esperado en el peor 5%. Siempre peor que VaR. |
| P(up) | Probabilidad de cierre por encima del spot: Φ(ln(F(H)/S0) / σH). |
| Rango 90% | Intervalo P5\u2013P95: contiene el 90% central de la distribución. |
7. Sección Comercio Exterior
7.1 Semáforo Direccional
El semáforo evalúa la probabilidad directa de que el spot se mueva adversamente más allá de la tolerancia del usuario. No usa multiplicadores — es probabilidad pura sobre la distribución log-normal centrada en el forward:
z = ln(threshold / F(H)) / σH
Padverso = 1 − Φ(z) (importador) | Padverso = Φ(z) (exportador)
| Padverso | Color | Recomendación |
|---|---|---|
| ≥ 60% | Rojo | Cobertura prioritaria |
| 30% – 60% | Amarillo | Cobertura parcial recomendada |
| < 30% | Verde | Cobertura opcional |
7.2 Importador vs Exportador
| Perspectiva | Operación | Riesgo | TC Referencia |
|---|---|---|---|
| Cobrador (importador) | Compra divisa extranjera | Spot sube → factura se encarece | P85 |
| Pagador (exportador) | Recibe divisa extranjera | Spot baja → ingresos se reducen | P15 |
8. Cobertura Óptima CFaR (h*)
8.1 Concepto
El módulo Cash-Flow-at-Risk calcula el ratio mínimo de cobertura h* para que, incluso en el peor escenario al 95% de confianza, el tipo efectivo no se desvíe más del X% del tipo contable del usuario.
8.2 Inputs del usuario
| Parámetro | Descripción |
|---|---|
| TC contable | Tipo presupuestado o contable del usuario |
| Pérdida máxima (%) | Tolerancia de desviación |
| Perspectiva | Cobrador (importador) o Pagador (exportador) |
| Nominal | Monto de la operación |
8.3 Fórmula analítica de h*
El tipo efectivo bajo cobertura h es una mezcla lineal entre forward y spot futuro:
En el peor caso (P95 para importador, P5 para exportador), se resuelve para h:
Exportador: h* = (threshold − P5) / (F − P5)
8.4 Lo que alimenta h* vs lo que no
| Componente | ¿Entra en h*? | Cómo |
|---|---|---|
| σ̂ HAR | Sí | Define el ancho de P5/P95 via σH |
| Forward CIP | Sí | Centro de la distribución + tasa de cobertura |
| Curtosis κ̂ | Sí | Ajuste Cornish-Fisher en colas |
| Régimen | No | Solo contexto informativo |
| Señal Z-Score | No | Solo contexto direccional |
8.5 Tabla de escenarios
Para cada horizonte, se genera una tabla de sensibilidad con h ∈ {0%, 25%, 50%, 75%, 100%, h*}. La propiedad clave: el peor caso de h* coincide exactamente con el threshold.
8.6 Mark-to-Market
P&L = nominal × |S0 − TCcontable| / S0
8.7 Break-Even
Para horizontes donde h* = 0, el break-even indica el nivel de spot a partir del cual se activaría la cobertura.
Para la documentación completa del módulo CFaR, véase la Metodología CFaR h*.
9. Análisis IA con Claude
El dashboard incluye un botón de análisis que envía los datos del modelo a Claude Sonnet para generar una recomendación ejecutiva. El contexto incluye:
- Spot actual, forward CIP, desviación spot vs forward
- Régimen de volatilidad, signal agregado, σ HAR forecast/realized
- Bandas por horizonte (P5, P15, P85, P95, banda 68%/95%)
- VaR 95% y CVaR 95% a 3M
- Datos CFaR (si la calculadora está activa): perspectiva, TC contable, tolerancia, threshold, h* por horizonte, nominal, desviación spot vs presupuesto
El prompt instruye al modelo a producir un memo de trading desk de máximo 5 párrafos: diagnóstico, análisis CFaR, mark-to-market, riesgo cuantificado y acción recomendada.
10. Anti Look-Ahead Bias
El principio más crítico del dashboard. Todas las variables usan datos hasta T-1:
| Componente | Mecanismo anti look-ahead |
|---|---|
| Z-scores | μewma y σewma con datos hasta T-1. λ(t) adaptativa con lag explícito. |
| λ adaptativa | VolRatio con lag T-1. Percentiles P5/P95 de clipping sobre serie histórica. |
| Features | SMAs, YZ, ROC, VTS: lag(1) explícito antes de normalizar. |
| HAR | Coeficientes β entrenados con datos T-1 en cada ventana walk-forward. |
| Bandas | σ̂ HAR y Forward estimados con datos hasta T-1. κ̂ de log-returns históricos. |
| CFaR h* | Percentiles P5/P95 ya incorporan el lag. h* es fórmula cerrada sobre esos percentiles. |
Referencias
- Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174–196.
- Yang, D., & Zhang, Q. (2000). Drift-independent volatility estimation based on high, low, open, and close prices. Journal of Business, 73(3), 477–491.
- Rogers, L.C.G., & Satchell, S.E. (1991). Estimating variance from high, low and closing prices. Annals of Applied Probability, 1(4), 504–512.
- Cornish, E.A., & Fisher, R.A. (1938). Moments and cumulants in the specification of distributions. Revue de l'Institut International de Statistique, 5(4), 307–320.
- Stein, J.C., Usher, S.E., LaGattuta, D., & Youngen, J. (2001). A comparables approach to measuring Cashflow-at-Risk for non-financial firms. Journal of Applied Corporate Finance, 13(4), 100–109.